FastDeploy/docs/zh/quantization/online_quantization.md

在线量化

在线量化是指推理引擎在加载 BF16 权重后对权重做量化，而不是加载离线量化好的低精度权重。FastDeploy 支持将 BF16 在线量化到多种精度，包括：INT4, INT8 和 FP8.

1. WINT8 & WINT4

仅将权重在线量化为 INT8 或 INT4，推理时即时地将权重反量化为 BF16 后与激活进行计算。

• 量化粒度：仅支持 channel-wise 粒度的量化；
• 支持硬件：GPU，XPU
• 支持结构：MoE 结构，Dense Linear

启动WINT8或WINT4推理服务

python -m fastdeploy.entrypoints.openai.api_server \
       --model baidu/ERNIE-4.5-300B-A47B-Paddle \
       --port 8180 --engine-worker-queue-port 8181 \
       --cache-queue-port 8183 --metrics-port 8182 \
       --tensor-parallel-size 8 \
       --quantization wint8 \
       --max-model-len 32768 \
       --max-num-seqs 32

• 通过指定 --model baidu/ERNIE-4.5-300B-A47B-Paddle 可自动从AIStudio下载模型。FastDeploy依赖Paddle格式的模型，更多说明参考支持模型列表。
• 通过设置 --quantization 为 wint8 或 wint4 选择在线 INT8/INT4 量化。
• 部署 ERNIE-4.5-300B-A47B-Paddle WINT8 最少需要 80G 8卡, WINT4 则需要 80GB 4卡。
• 更多部署教程请参考get_started.

2. Block-wise FP8

加载 BF16 模型，将权重以 128X128 block-wise 的粒度在线量化为 FP8 数值类型。推理时，激活会动态、即时地做 token-wise FP8 量化。

• FP8规格：float8_e4m3fn
• 支持硬件：Hopper GPU 架构
• 支持结构：MoE 结构，Dense Linear

启动Block-wise FP8推理服务

python -m fastdeploy.entrypoints.openai.api_server \
       --model baidu/ERNIE-4.5-300B-A47B-Paddle \
       --port 8180 --engine-worker-queue-port 8181 \
       --cache-queue-port 8183 --metrics-port 8182 \
       --tensor-parallel-size 8 \
       --quantization block_wise_fp8 \
       --max-model-len 32768 \
       --max-num-seqs 32

• 通过指定 --model baidu/ERNIE-4.5-300B-A47B-Paddle 可自动从AIStudio下载模型。FastDeploy依赖Paddle格式的模型，更多说明参考支持模型列表。
• 通过设置 --quantization 为 block_wise_fp8 选择在线 Block-wise FP8 量化。
• 部署 ERNIE-4.5-300B-A47B-Paddle Block-wise FP8 最少需要 80G * 8卡。
• 更多部署教程请参考get_started